本文首发于“52phm”公众号，未经授权，严禁转载！
1.摘要
该试验台在不同小齿轮条件下进行测试，并通过加速度计进行振动信号采集，加速度计采样率为10KHz、采样时长为10s，采样数据共3包，每一包数据对应着不同故障类型，分别是健康状态、齿轮断齿、齿轮磨损状态下的数据集。该数据集被授权于用于任何学术和研究目的。
2.试验台结构
试验台装置整体传动系统主要由电机作为驱动输入，通过皮带带动齿轮箱，而齿轮箱输出端通过皮带带动刹车系统。具体试验台装置、原理图及加速度计安装示意图。
试验台设置
测试原理图
加速度计的方向及位置
3.数据集解读
- 数据集有3包数据，每包数据采样率为10kHz，采样时长为10s；
- 电机转速1420rpm/min，小齿轮15齿数、大齿轮110齿数；
- 啮合频率=(1420/60)*15=355Hz，在进行频谱分析中来看，实际啮合频率是365Hz左右；
- 数据与故障对应关系
- 断齿
Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1
- 正常
Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1
- 3个齿磨损
Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1
齿轮磨损和脱落
4.振动分析
这里使用python写了一个数据处理的程序，将mat数据保存到csv文件、以及给出振动原始波形、频谱图的计算方法。简单提供一个baseline，方便大家使用数据集和做一些分析学习。
数据处理
代码语言：javascript复制"""
@日期：2022-08-06
@网站：http://www.52phm.cn
@数据来源：https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS
"""
import pandas as pd
from scipy import io
if __name__ == '__main__':
df = pd.DataFrame()
data1 = io.loadmat("./Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1.mat")
data1_acc = data1['acc'].flatten() * 9.8605
df['Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1'] = data1_acc
data1 = io.loadmat("./Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1.mat")
data1_acc = data1['acc'].flatten() * 9.8605
df['Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1'] = data1_acc
data1 = io.loadmat("./Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1.mat")
data1_acc = data1['acc'].flatten() * 9.8605
df['Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1'] = data1_acc
df.to_csv("齿轮箱数据集转速1420主动轴15齿从动轮110齿啮合频率比实际355Hz有偏差在365Hz左右.csv", index=False)振动分析
这里涉及到时域波形和频谱分析，本次baseline提供快速傅里叶变换的频谱分析，具体实现如下代码所示。
代码语言：javascript复制"""
@日期：2022-08-06
@网站：http://www.52phm.cn
@数据来源：https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS
"""
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
def get_wav(data, fs, title):
plt.clf()
plt.title(title)
t = np.arange(len(data)) * (1/fs)
plt.plot(t, data)
plt.xlabel("时间[s]")
plt.ylabel("幅值[m/s^2]")
plt.savefig(title '_wav.png')
# plt.show()
def get_spec(data, fs, title):
plt.clf()
plt.title(title)
f = np.fft.rfftfreq(len(data), 1/fs)
amp = abs(np.fft.rfft(data)) * 2 / len(data)
plt.plot(f, amp)
plt.xlabel("频率[Hz]")
plt.ylabel("幅值[m/s^2]")
plt.savefig(title '_spec.png')
plt.show()
if __name__ == '__main__':
df = pd.read_csv("齿轮箱数据集转速1420主动轴15齿从动轮110齿啮合频率比实际355Hz有偏差在365Hz左右.csv")
for col in df.columns.tolist():
data1 = df[col].values
# get_wav(data1, fs=10000, title=col)
get_spec(data1, fs=10000, title=col)- 正常齿轮
- 齿轮断齿
- 齿轮磨损
5.参考资料
https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS
52phm社区，http://www.52phm.cn，与工业互联网人一起成长,社区能够提供学习到真实工业场景技术知识以及落地案例,其中涵盖工业数据集、工业标准库、机理模型、设备知识、机器学习、 深度学习、特征工程、振动分析、工业视觉、边缘硬件及传感器等技术知识！
